就开始几天用得多，后面烦了

1. 我没什么必须要完成的任务，更多是兴趣
2. 我喜欢的是写东西时能力变强的感受，vibe 我只觉得累
3. agent 写的设计模式和风格我不喜欢，我有强迫症（
4. agent 做架构设计还是太拉了（可能因为我用拼好模

前排 cy

非常赞同

糊了一个 神秘博客，但是不知道发啥 🫠

感觉以我的能力写任何东西都只是把更高质量的内容蒸馏成垃圾请大家持石

我也喜欢单老师，对他印象非常好。

结论：应该跑路，感觉留下的收益不高。

周一：
我认为应该绝对不要承认。有句话叫做：知错改错不认错。在这个场景下我认为非常适合。
一切推断和结论都应该等对方先说，否则就打太极。对方说的越多，你得到的信息才越多。

你拥有的一切东西都是你最后立身的资本和自我保护的筹码，以整理或做实验等理由推迟吧，然后过程中不断延期。

而一旦确认暴露，绝对不能再留。
以这种类型的人。。留下后患无穷。

才看到这个歌词很有感觉啊，最喜欢 4.

遥远的梦中啊
为何如此难触呢
想要逃出房间
走在傍晚车站
夏天的路上
我的心变成一片海洋
夏天的路上
我的心变成一片海洋

一个人的时候
无法往前走
交织的生活啊
说出来也是无用
如果说
见到你

如何看待 DeepSeek 刘胜与的 我不得不把才华埋葬在昨天 ，感慨了 AI 越来越会写算子了。

没想到 lsy 的简单感想居然火了，上次看到 lsy 的帖子给我的触动很深，2025 年终总结特别篇：我为什么不读博 - 微信公众平台

很显然 lsy 去年关于写 kernel 被 AIComplier 和 AIAgent 两面夹击的判断完全正确，只不过我当时或许给自己的定论是因为某种程度晚生了一两年再加上预科和本科蹉跎了两三年导致完全无法在本科毕业找到值得或者说愿意去干的工作，寄希望于在工作后追寻职级晋升而在 AI 的压路机前方捡最后几个钢镚并不是我想追求的，所以只好选择继续深造，也希望在接下来的一长段时间里做一些让我自己觉得有点意思的事情。

直到今年 fable 和 Astra 一次又一次让每个人都开始思考被取代的问题，在经历了一年的争论后大部分技术群群友都成为了站中间串两边的乐子人，或者至少承认了这样暧昧的态度。于是开始解构“我不得不把才华埋葬在昨天”，

正如这样找到的乐趣一样，我同样希望我可以因为乐趣而继续学习，无论 AI 的能力和我的关系如何。

说是记录，但由于券商系大多是恶心的转正实习 offer（连相关科技公司同余信科都要），估计没什么内容

一段场外衍生品实习

华泰期货子

问项目的技术问题
问随机分析，如随机积分、二次变差
最后一个领导问很多为什么选这个方向，不选别的方向

转正已发

一、开场致辞

早上好，克里斯滕。感谢您如此温暖的介绍。五年前我们曾是同事，能与您同台分享是我的荣幸。很高兴再次回到硅谷，看到这么多熟悉的学术面孔。这是我最后一次任期，也是我的第一个百日任期。就在这个周末，我一直在期待这个周末。

在我继续之前，我想感谢杰夫·施密特和他的团队提供的卓越款待，在场所有人欠你们一份人情。以及你们的同事，在这里的堪萨斯城联邦储备银行。感谢你和你的团队。现在他和其他策划者已为今天下午安排了休闲活动，我建议你们非常谨慎选择。正如我多年前学到的，在杰克逊周边小径有两种徒步选择。唐·科恩仅用两个词——我熬过了这些钢铁般的马拉松式远征——揭示了唐留下的警示标志。但还有另一种徒步方式，与本这位亲爱的同事同行，节奏轻松得多，沿着洛克菲勒保护区蜿蜒小径漫步。出发前，我的建议是做健康检查，问问自己：这是科恩日还是伯南克日？

这次聚会最棒之处在于让我们来到山间，清空思绪，专注思考我们的世界与时代。 这里感觉是合适的地方和听众，进行真正重要的思想交流。正如克里斯滕提到的，创新是会议主题。我相信公众和市场理解联邦政策执行方式的创新，将助力实现物价稳定与充分就业。

---

二、演讲概览与路线图

以下是我演讲内容的快速概览，我将涵盖的内容——今早你可以称其为提纲，也可以称其为路线图，但请不要称其为前瞻指引。

首先是指导方针，我将简要讨论几个长期问题：我们在美联储讨论最新的通用技术——人工智能，以及它可能对经济产生的影响。接下来我将稍作反思前瞻性指引的实践，然后讨论中央银行与金融市场未来的互动。我将阐述一些我认为应指导货币政策的关键原则。最后我将给出对当前经济形势的评估。

---

三、人工智能：历史转折点上的通用技术

首先，我们应该尝试为未来的政策环境做准备。以永恒的提顿山脉为背景，我们正要审视一个绝非静态的经济图景。回想不久之前，包括像这样的场合，在 2008 年危机前夕以及随后的十年间，经济学家和政策制定者谈论长期停滞，谈论全球储蓄过剩，普遍认为过剩资本将长期闲置——很长很长一段时间——因为缺乏有吸引力的投资机会。所有重大创新，您还记得，都已出现，因此增长将缓慢乏力。

如今形势已彻底改变。我们正站在历史转折点。 借用我前导师乔治·舒尔茨的表述，以最清晰的例子说明：人工智能的进步——这个 80 年历史的术语指最新技术——发展更快，甚至快于其倡导者几年前的预测。 大幅提高增长潜力正在显现，各类人工智能相关基建获得持续资本注入。一种超级摩尔定律似乎正在发挥作用，缩放规律也在改变创新方式和速度。 资本与劳动力结合创造了基于标记的大型语言模型。要获取这些模型、报告，仅两大实验室的年度标记销售已达超百亿美元，较十二个月前增长五倍。

我们在美联储密切关注这一切，谨慎地。我们认识到人工智能是新变量，可能成为新的生产要素并产生影响，对经济和货币政策实施均有影响。 这引发重大研究方向：人工智能应用是否将显著提升整体生产力？若如此，标记使用何时会与劳动力互补或竞争？下一代人工智能模型是否需要更高资本密集度，或模型本身能否提供轻量解决方案？其他未知因素包括市场结构——谁将获利？资本回报率的归属尚不明确，或在什么时间尺度上——早期阶段——剩余价值中有多少流向稀缺资产的所有者：人工智能实验室、芯片制造商、能源生产商或云服务提供商？随着时间推移，这些价值中有多少会惠及企业和消费者？更重要的是，这对劳动者及美联储就业职责有何影响？

同样地，我们尚未确定这些模型访问权限代币的均衡价格。是否存在代币的异质性，使得更多资金将用于获取最佳模型的访问权？前沿模型的代币价格将下降，降至边际成本水平？我们将深入探讨这些问题，借助生产力与就业任务小组的帮助。我已初步与该任务小组负责人沟通，其余反馈非常积极。但他们的建议将稍后提出，且不影响当前政策决策。但我相信对于未来政策挑战，今日的智力投入将使我们更充分准备未来。

---

四、前瞻性指引的反思与改革

让我谈谈前瞻性指引及其替代方案。随着任务小组开展工作，正如你所知，我不在等待——美联储引入创新措施来帮助使我们更适配当前需求。以一个例子说明：我正致力于改革美联储的形式与职能。

主席所谓的前瞻性指引——你可能了解我长期的不满——对提前公布未来政策的不适。我更倾向于另一条路径。 现在我们将论证这一方案。关于未来政策的透明沟通并非目的本身，沟通必须服务于美联储的核心职责，而核心职责是什么？就是制定正确政策。

前瞻性指引作为常规做法是在全球金融危机期间由我及同事采用，当时至关重要，我们曾隆重推出这一政策。但如同其他过往危机的遗产，我认为在正常时期这一做法已过时。 前瞻性指引的作用应有限制，否则可能以清晰之名制造模糊：过度披露政策讨论，过度承诺未来决策，可能导致市场、企业与家庭误判。当政策制定者在整个周期中对利率做出准承诺时，我们将束缚自身自由，难以做出正确决策。 当需要制定正确政策时，我们也需要正确处理中央银行与金融市场之间的关系。

---

五、中央银行与金融市场的关系

这些市场——美联储需要尽可能清晰的市场信号。 来自各行业资产价格水平和变化的市场内部指标：国债证券的价格和交易量，美元的外汇价值，信贷的成本和可获得性，一系列广泛的商品价格。这些及其他指标应为美联储提供近期、整个商业周期中经济活动和通胀的短期展望。它们还应揭示更广泛的金融状况，以及金融周期的风险与不确定性。与此同时，他们应自行得出结论，形成对产出、就业和通胀等事项的预期，而他们也应敏锐关注风险。

在我看来，美联储应保持谦逊且绝不天真。 美联储在经济和市场中扮演着关键角色，我们的工具非常强大，我们决定短期利率路径。市场参与者总会试图预测我们的下一步行动。我们不应沉溺于某种体制，在其中市场参与者主要依赖美联储进行交易。 经济文献早已描述了这种扭曲效应，被称为**"镜厅问题"**：如果市场过度依赖美联储的指引，而美联储又依赖市场定价，可能更难察觉新变化，更容易措手不及，政策制定更易出错。

现在，反常的是，市场参与者不太可能承担镜厅问题的最大代价。最严重的损害可能降临于无金融资产者。 如果美联储误判通胀和经济，谁将承受最严重后果？不是金融精英。辛勤工作的美国人将面对高通胀，或突然变得不稳定的就业。

因此，若前瞻性指引仅适用于正常时期，就像这样——承诺某种明确的反应函数——他当然可以告诉我们利率路径。例如数据若过热或过冷如何应对。我希望我们对经济的理解如此精准，能提供一个机械可靠的答案，像泰勒规则这样的简单函数即可严格依赖。但我们的知识尚未延伸到那么远，至少目前还不是。 其他与货币政策恰当实施密切相关的因素，这些因素会随时间变化。提供预测以说明美联储的反应，理论运行效果优于实际，实验室中表现更好，而非实际应用。我并非唯一注意到 2021 年的前瞻性指引可能在任期内延缓了对高通胀的政策应对。 我的同事们，我将努力构建更可靠的模型、更稳健的规则。我们将这样做，深知准确预测仍是理想目标。在地缘政治剧变如此迅速的当下，全球供应链、技术，我们应保持适度谨慎，以及我们今日无法知晓的内容。

秉持相同精神，应广泛接纳各种观点。可能影响美联储货币政策讨论的议题，若目标是最优决策，理应包容不同经济观点。

---

六、指导货币政策的核心原则

那么如何在讲话中制定更优政策路径？我将分享指导货币政策决策的核心原则，随后将提供经济评估。首先探讨基本原则：

第一原则： 我注意到在这一领域，昨日新闻常被误认为当前发生之事，关键在于区分二者。换句话说，我们必须审视现实，确保前瞻性政策基于最新数据，而非陈旧或错误的数据，也不应依赖孤立数据点，趋势最为关键。 美联储是决策机构，在不确定性中做出选择，所依据的数据必须相关、及时有效、准确且尽可能可操作。

第二原则： 美联储的行动旨在确保经济需求侧与供给侧总体协调。但我们直接观察到的只是活动表现，供给侧真实情况只能推断。 评估供需平衡现状及预期存在局限。

第三原则： 不应存在任何误解。美联储的物价稳定目标为百分之二，以消费价格指数衡量，这是明确的固定目标。 让我同样明确说明这一目标的另一面：物价稳定不会自动实现，通货膨胀也不必然回归均值。稳定物价是美联储的职责，不容推脱。

第四原则： 美联储还需承担最大就业责任。在中期实现双重目标并非非此即彼。我不认为美联储的双重目标相互矛盾。 毕竟高通胀本身对经济繁荣极为有害。

第五原则： 短期利率是实现双重目标的主要工具。 非常规政策刺激经济可能适用于真实危机，我们对此都有丰富经验，但应尽量谨慎使用，除非必要。

第六原则：货币问题。 我知道现在这话题不太时髦，但我认为货币与货币政策密切相关。我们应该关注央行创造的货币，以及银行金融系统产生的货币。本次会议主题及其他因素改变了货币基础、货币流通速度与整体经济的关联机制，但这绝非成为忽视货币对金融状况和价格最终影响的理由。

更低调的美联储，在沟通中更具目的性的美联储，更能实现其目标。 我们能够对其履行职责负责。真正考验我们信誉的唯一标准——借用一句名言——Chuck Yeager 将军在关键时刻：存在原因或结果。

---

七、当前经济形势评估

在听取了一些关于人工智能和通用技术的内容后，在了解了下一阶段政策走向后，简要讨论了原则，现在转向今天的经济形势。基于这些原则，我如何解读当前经济？窗外究竟发生了什么？这有点讽刺，这个房间没有窗户，但美联储有巨大的窗口。我们在第一个百日里已开始使用这些窗口，并预计将继续使用这些窗口在即将到来的时期。

您可能在七月会议纪要中读到，联邦公开市场委员会一致意见：劳动力市场保持稳定，产出表现坚实，但通胀仍居高不下。 大多数同事都同意，我认为在会议期间等待新信息更为明智，尤其是供应链可能出现的变化、投资流动与地缘政治。在决定是否调整利率政策前，我们表达了共同准备根据情况采取行动的意愿。

就在此时此刻，我对整体经济表现印象深刻。经济似乎已有所强化。 经济在压力下的表现是强弱指标，经济在冲击下的韧性如何。在这方面，主街与华尔街都展现出惊人韧性。

其他几点观察：企业投资迅速增长，设备与无形资产投资四季度变化达 9%，这是自 2021 年以来最高增速。超过半数的资本支出增长可归因于 AI 相关建设。 标普企业的利润情况如何？利润在过去一年增长超 20%，利润率显著偏高，相比历史水平。整体股市波动率较低。我们持续关注市场内部指标，监测各行业表现。对增长、资本支出和企业盈利的预期都很高。我仍在观察增长率的变化——二阶导数——对资产价格的后续影响。

企业信心、消费者收入与支出同样重要。企业债与杠杆贷款利差处于历史低位，今年发行规模强劲。 从七月起关注银行业，所谓 SSLEUTH 银行调查显示 CNI 贷款标准处于历史宽松区间，这解释了今年的贷款增长。在这些贷款中，在我看来，信贷与贷款市场未显政策紧缩迹象。

现在，住房与农业等部分行业出现压力。总体而言，难以描述整体金融条件为收紧。 实际消费支出保持健康，尽管过去四个季度增长超 2%。如果你将消费与我们之前讨论的强劲投资相结合，私人国内金融购买也有所增加，这些购买今年迄今以近 3% 的速度增长，这是一个通常比 GDP 更具信号意义的指标。 这一趋势同样积极。

---

八、劳动力市场评估

在美联储双重使命的就业方面，我们国家表现良好。劳动力市场相当稳定，失业率在 4.1%，以历史标准仍处于低位且近两年未变。 四周移动平均失业索赔数——一个经验证据稳健的实时指标——处于近几十年来的最低水平。

在我看来，当前劳动力市场相对较低的流动率，部分源于疫情后雇主与员工的重大再匹配。在疫情后的环境中，劳动力供给几乎未增长，每月就业增长自然会偏低。劳动力市场总存在一些担忧领域，例如对于一般新毕业生而言。想要工作的大多数人正在持有或找到工作，但他们可能对未来劳动力中断感到担忧。但目前我认为劳动力市场总体符合充分就业。

---

九、通胀形势：美联储当前主要关注点

但在价格稳定方面的使命，数据更为令人担忧。 美联储偏好的通胀指标，即我之前提到的，PCE 价格指数同比变化达 3.7%，六月同比变化略超 4%。CPI 指数的同类指标也处于高位。我们的核心指标——PCE 和 CPI 通胀均居高不下。 这些指标均非完美，但都讲述相似的故事：通胀高于我们 2% 的目标。因此美联储当前主要关注点应是物价。

那么我们的任务是什么？政策制定者的任务是捕捉基础趋势。控制通胀说起来容易做起来难。我们需要判断基础通胀是上升、下降还是停滞，同时理解其变化方向，但也要了解变化速度——不仅要关注方向。这些通胀指标均显著低于数年前的峰值，但过去两年进展较为温和。尽管今年夏季的 PCE 和 CPI 数据好于预期，但并未表明基础趋势有实质性改善。数据还显示适度的工资增长，但在我的观点中，追踪基础通胀，工资增长并未证明是可靠指标，未来很长一段时间的通胀前景。

因此，试图衡量基础通胀，我想向你们介绍几个我一直关注的事物。我认为拆分分析很有启发。过去十二个月的 PCE 价格指数 199 个组成部分中，54% 的商品和服务价格涨幅超 3%——远低于疫情后的 77% 峰值，但仍远高于 3.2 水平。 在疫情前的几个十年里，仅看最近六个月，结论相似：49% 的商品和服务价格涨幅超 3%——远低于疫情后的水平，但仍显著偏高。 近期整体商品价格上升需密切关注，我们需要判断当前趋势是否预示通胀上行风险。

现在这也重要：过去五年通胀数据是否已渗透到预期中？好消息是中期内的通胀预期指标总体稳定。外汇市场通胀补偿指标传递明确相似信号，尤其在近期发展背景下。 这是美联储机构的荣誉，符合美联储最佳传统。市场显示信心，我们将实现价格稳定。我可以保证你们是对的。

关于市场通胀预期的经济史意义——我知道现场有经济史学家——这些预期通常强劲持久，直到突然变化。这些预期不易被左右，目前锚定非常牢固，但必须保持警惕。这是美联储的职责，确保通胀预期不脱锚。

现在有一个信号，无人能回避对 65 个月高通胀的责任。这正是其职责所在。这就是我的标准：我们必须确信基础通胀正明确向目标推进，且速度足够快，否则我们仍有工作要做。这是我们的职责，这是我们的使命，这是我们需持续履行的责任。

---

十、总结与致谢

在过去的 25 分钟里我已涵盖了很多内容。让我看看能否这样总结。

我今天站在这里，致力于一项纪律，并非一时决定。 在重大时刻，我和同事们绝非首次持此立场。我们决心通过尽心尽力的工作来不负时光。 对于了解我们的人来说，你们会知道以下内容真实：我们以谦逊态度认真履行职责，并以坚定决心。

我们知道许多事物取决于我们做出的明智选择。货币政策，当有效实施时，有助于家庭和企业繁荣。它拓展并深化了经济动力，并帮助巩固美国在世界上的领导地位。 我知道国家需要我们谨慎思考、明智行动，或许如今比任何时候都更甚。

再次为联邦储备系统服务是巨大荣誉。我衷心感谢鼓励、同事在我第一个百日里给予的良策与热情接待。我也感到荣幸与感激，来自众多您的观点，无论是主动还是被动，来自这房间里的许多人，以及今晨您的善意关注。

我说，谢谢大家。让我们继续进行剩余议程。

晚上好，很久很久很久没有见到鱼鱼了~甚至包括微信与朋友圈

这个可爱宝宝（ok 你销号那会我应该还叫 Jackeiner）最终去了 nus 水一年硕士，未来怎么样，只有天知道（

以及，xjtu discourse 的页面怎么又大改了🫠 在 Singapore 这里上西交门不需要梯子，但是依然很卡，呜

分享一点新加坡特色食物（搬运自水源，一些图床没法平移过来，所以是单独复制的）

价位：整体在 1.2-2x 上海物价，在外面吃对应这个倍率的上海商圈物价，在学校吃对应这个倍率的交大食堂价格，小于 1.2x 的时候不多（也就是说跟国内相同单品一个价，个别这边产量大的可能有），翻一番还要多的情况也没咋见过

特色菜：我朋友圈里发了几个
不能说很好吃但绝对不算难吃，不是猎奇取向但足够新奇

这几天吃下来比较有特色的：

叉烧/脆皮烧肉/海南鸡^[1]/烧鸭——四选一/二——饭/面 🤣

各种小炸物蒸物，类似广东早茶（？）

肉骨茶

奇怪的没有萝卜的萝卜糕，包括炒制和泡汤里多种做法，ref：

各种椰浆椰奶衍生物：
椰浆饭

各种虾衍生物：
加奶油蘑菇汤配上当地特色香料叶子的也有，炸虾卷/球也有，制烧麦啥的也有

各种咖喱衍生物（不赘）

集以上之大成者：请输入文本

总结

在住处附近食阁要了个 Lontong（椰奶蔬菜咖喱泡米糕 + 酱炸小鱼），又要了对炸鸡翅，4+1.5 新

总结

咸蛋黄鱼皮

Summary

---

1. （区别于交大四餐一楼和六餐二楼豉油鸡，虽然这里有的地方也有“豉油鸡饭”） ↩︎

居然还有这种区分的（

很羡慕这类角色的纯粹，本能作出的行动就是善良可爱的，不需要不断地掩饰和纠正自己（真的是这样吗？也许只是我的偏见罢了）

没努力练过，按弦转换太差了，弹不了曲子的（

也许可以把片段剪成拼好歌（

以前我听歌经常先看词再听曲来着，一般是歌词里有感兴趣的意象或者内涵才会喜欢
现在也会只是因为曲好听而喜欢，某种程度上也算更纯粹了（这样再去看词有时候还能被二次惊艳到）？😇

其实只要是真心喜欢，无论是什么原因都是正当的吧

简单的烤鳕鱼、蒸蛋以及炒油麦菜，朴实无华的夜晚

饭团是之前做好冷冻起来的。蒸一锅米饭，浇上一点米醋调节 pH 值，再撒一点盐调味，取大约 150 g 捏成三角形，裹一层海苔，用保鲜膜包着，放凉了就可以冻起来，最多能放几个月的。

每次吃的时候取一颗放微波炉热几分钟就好，热气腾腾香喷喷的，口感和口味都不输新鲜米饭

检察一下冰箱中的饭团储量：充足 😼

面包好吃、黄油好吃、巧克力花生糖好吃，夹在一起三倍以上的好吃，烤得金黄酥脆的就是百倍以上的好吃 😋

前些年经常半夜饿了就烤黄油面包片，一晚上炫掉一大包切片面包。现在懂得节制了

美国的经典三明治 pb&j (peanut butter and jelly) 就是花生酱和果酱各涂一片然后夹起来吃。个人不爱果酱于是换成香香黄油，没买花生酱不过巧克力花生夹心糖烤化了用餐刀涂抹开更香，巧克力就是香呀

最后一首超好听！

puzzle1645 · 想想XiangXiang

我 要去哪
不知所往
迷路无妨
你 你在哪
未知去向
挣脱吧

背景
双9软件工程硕士
项目：

• java商城
• docker 底层研究

实习：华为，金融信托

我当时没有投互联网企业，而是把求职方向全部放在了西安的国企、央企和公务员考试上。

整个秋招大致从8月份开始。最早参加的是军队直接选拔招录军官，并进入了面试环节。

到了9、10月份，我开始集中投递各类科研院所。研究所的招聘一般启动得比较早，当时我也拿到了几个录用通知，包括203所、西飞 一飞院、205所，以及西安其他一些规模相对较小的研究所。研究所面试也挺看简历的，重点是要展现出可以做项目的能力，面试时候也要特别说明要留到本地，毕竟这些单位很看中个人的稳定性。

科研院所之后，我又集中投递了银行。部分银行招聘中，我获得了类似“直通卡”或“Pass卡”的资格，可以免去部分筛选环节。当时拿到的机会包括中国银行管培生offer、农业银行省分科技等岗位。银行可能是西安的另一个就业大头。一方面是项目和简历的完整，另一方面也需要面试过程中尽量流利的表达，可以和面试官有眼神的接触。管培岗的竞争会大些，大家能力都很强，会遇到不同专业的大佬，包括很多经济金融方向的，他们的表达能力大多都很强。

银行和科研院所之外，我还投递了一些其他央企、国企。例如西安当地的西北勘察设计研究院等单位，这些单位就很看行业发展了，投之前最好有所了解。

此外，我还尝试报考了国家电网。国家电网对计算机专业的招聘人数又比较少。当时我投递了西北分部，但没有获得笔试资格，相当于在简历筛选环节就被淘汰了。电网最好去生源地，能上的概率大一些(陕西除外)，非电类竞争贼大。

最后就是国省考和选调，这个学习过程贯穿始终。毕竟大部分国央企也会考行测。大家加油！

和 cache lab 搏斗一天了，还是做不到满分吗？力竭了 🫠

因为对之前在香港吃烧味饭的葱姜油念念不忘所以尝试制作了一下非常之香香，于是搭配盐焗鸡又吃香香了库库～

制作起来很简单而且又营养又香，本小姐觉得就算经常吃也不会腻库库库～

库库顺着这条帖子，开一个楼记录一下本大小姐每天都吃了什么吧库库库

造轮子笑传之 chunked cache bucket

起因是我需要 fastcache，但是 fastcache 没有迭代器，所以干脆自己仿制一个就当学习了

Public Interface

 type Cache
    func New(size int) *Cache
    func (c *Cache) Del(k []byte)
    func (c *Cache) Get(dst, k []byte) (res []byte)
    func (c *Cache) Has(k []byte) (found bool)
    func (c *Cache) HasGet(dst, k []byte) (res []byte, found bool)
    func (c *Cache) Iterator() *Iterator
    func (c *Cache) LoadStats(stats *Stats)
    func (c *Cache) Reset()
    func (c *Cache) Set(k, v []byte)
type Iterator
    func (it *Iterator) GetNext(kDst, vDst []byte) ([]byte, []byte, bool)
type Stats

架构

┌─────────────────┐ ┌─────────────────┐ ┌─────────────────┐
│                 │ │ map[hash]idx    │ │                 │
│ [512]bucket◄────┼─┤ [n]chunks◄──────┼─┤ [65536]byte     │
│                 │ │     idx         │ │   useCount      │
└─────────────────┘ └─────────────────┘ └─────────────────┘
      cache               bucket              chunk        

• Cache 分 512 个 bucket，每个 bucket 有独立的读写锁
• 每个 bucket 是由 n 个 chunk 构成的 ring buffer，idx 记录下一次写入位置，map[hash]idx 记录现有键值对位置
• 每个 chunk 是 [65536]byte
• n 可根据 Cache 大小进行调整，至少为 1，整个 Cache 至少 65536*1*512 B = 32 MiB

键值对格式

 0                   1                   2                   3
 0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9 0 1
+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+
|          kLen (uint16le)      |          vLen (uint16le)      |
+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+
|                                                               |
+                        k (kLen bytes)                         +
|                                                               |
+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+
|                                                               |
+                        v (vLen bytes)                         +
|                                                               |
+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+

• 键值对不可跨 chunk 存在，键值对记录最长为 65536 bytes,因此 kLen, vLen 可用 uint16 记录

idx 格式

 0                   1                   2                   3
 0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9 0 1
+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+
|W|                     chunkIndex (47 bits)                    |
+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+
|     chunkIndex (cont.)        |      localIndex (16 bits)     |
+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+

• W: wrap，ring 每走一圈翻转一次
• chunkIndex: chunk 编号
• localIndex: chunk 上的 byte 编号
• 对给定的 idxA, idxB，若 idxA 为键值对 idx，idxB 为 bucket.idx，判断 idxA 键值对仍有效（未被 ring 写入覆盖）的方法：int64(idxA - idxB) < 0 (isValid).

写入流程

1. Set(k, v []byte) 得到待写入键值对
2. 计算 hash = xxhash3(k)
3. 计算 bucket 编号 bktIdx = hash%512，对 bucket[bktIdx] 进行操作
4. 获取 bucket 写入锁
5. 检查 hash 是否已存在 map 中，如果是，使旧键值对所在 chunk.useCount--，若归零则将 chunk 放回 chunkPool
6. 检查 idx 能否写入键值对:
   1. 若当前 chunk 剩余空间足以写入键值对记录，则下一步
   2. 若当前 chunk 剩余空间不足:
      1. 若当前 chunk 非最后一个，前进至下一 chunk 并下一步
      2. 若当前 chunk 是最后一个，回到第一个 chunk，翻转 idx.W，清除 map 中所有被覆盖键值对记录（根据 isValid 判断，删除键值对记录同时所在 chunk.useCount--，若归零则将 chunk 放回 chunkPool），再下一步
7. 若当前 chunk 未 allocate: 从 chunkPool 获取空闲 chunk 并分配给当前位置
8. 写入
9. 更新 bucket.idx

读取流程

1. Get(dst, k []byte) 得到键
2. 计算 hash = xxhash3(k)
3. 计算 bucket 编号 bktIdx = hash%512，对 bucket[bktIdx] 进行操作
4. 获取 bucket 读取锁
5. 检查 hash 是否在 map 中，若在则下一步，否则 miss
6. 根据 isValid 检查 idx 是否有效，若无效则 miss
7. 根据 idx 计算 chunkIdx, localIdx
8. 读取 kLen, vLen, K，若 k != K，则哈希碰撞
9. 追加值到 dst

删除流程

1. Del(k []byte) 得到键
2. 计算 hash = xxhash3(k)
3. 计算 bucket 编号 bktIdx = hash%512，对 bucket[bktIdx] 进行操作
4. 获取 bucket 写入锁
5. 检查 hash 是否在 map 中，若否则 nop
6. 若记录 idx 所在 chunk 已分配，chunk.useCount--，若归零则将 chunk 放回 chunkPool
7. 从 map 中删除 hash 对应的记录

迭代器流程

1. Cache 迭代器桥接 512 个 bucket 迭代器
2. Bucket 迭代器创建时复制 map[hash]idx，每次 GetNext(kDst, vDst []byte) 获取读取锁，检验 idx isValid 并检验 hash 是否相符，若满足则追加 KV，否则跳过该记录使用下一条记录，直到没有更多记录

要困死了 🫠

捐款了，我是慈善家

这里 URL 似乎错了

好喜欢傲娇啊，suki suki desuki 🥰 九宫格里面没有牧濑红莉栖不是很认可

进入帖子后最上方的 title 也会变成帖子标题，还以为把本站的名字改成 wonderhoy 了emu
吓死了emu 🙀

感觉新UI有点乱没有以前的好用emu

而且依然对移动端不是太友好emu

好久没上🚪了，常回🚪看看 👀

没什么特别的事情但是 wonderhoi!

The Single Greatest Predictor of Future Stock Market Returns

AIAE

引言：长期股票收益究竟由什么决定

传统股票市场估值研究通常关注市盈率、周期调整市盈率、股价净资产比、托宾 $q$、股票总市值与国内生产总值之比等指标。这些方法的共同假设是：股票价格与某种可观察的基本面变量之间存在相对稳定的均衡关系。当市场价格明显偏离这一均衡关系时，估值倍数最终会向长期均值回归，从而影响未来收益。

然而，这一框架存在一个根本性问题：市场价格并不是估值模型直接计算出来的结果，而是投资者在有限资产供给约束下进行资产配置的结果。估值倍数可以影响投资者的配置意愿，但它并不是决定价格的唯一机制，更不是市场必须遵守的外生规则。

一种替代性的研究思路是，从整个金融体系的资产负债表出发，考察投资者总体财富中有多大比例被配置于股票。该指标可称为总量投资者股票配置比例。其核心命题是：

当投资者已经将较高比例的财富配置于股票时，进一步提高股票配置的空间有限，未来长期股票收益通常较低；反之，当股票配置比例较低时，配置均值回归和非股票资产供给增长可能共同推动股票价格上升。

这一框架并不否认企业盈利、股息和传统估值指标的重要性，而是将它们置于更一般的资产供给与资产配置均衡机制之中。

在现有金融资产供给结构下，投资者愿意将多少比例的财富配置于股票，而价格需要调整到什么水平，才能使这一配置意愿与有限的股票供给相一致？

可以看到投票"哪个更好一点“吗🤔
p.s.能认出来画的是谁吗?
才发现Q版的正主已经在楼里看到很多次了

前情提要：我需要使用Harness工具写代码、辅助阅读文档，使用中转站的gpt模型。可以使用实验室的ubuntu机器，但网络波动比较大（学校校园网的质量😅或者在校外使用内网穿透，质量更差）。有时候需要让他长期运行。
需求：有2个Windows电脑：工位电脑和自己的笔记本，需要在这两个设备之间同步数据，所以把代码和数据放在服务器上。

一开始的方案是，在服务器上部署Harness工具，ssh连接之后用tmux打开。
考虑到GPT模型的适配度，我在codex和opencode之间纠结。选择opencode的原因是，它在键盘和鼠标之间取得了平衡：

1. 键盘：修改键位后，可以直接跳转到最近一次回复的开头（比桌面版的APP更好），也可以快速跳转到上一个、下一个对话的开头。
2. 鼠标：可以鼠标选一段文字并自动复制，支持在Tmux中使用鼠标滚轮或者直接上下滑动。而对Tmux中的其他Harness工具(Claude Code)使用鼠标滚轮会转化成方向上下键，只会显示上一次输入的内容（类似于shell中的上下键）；要在tmux中往上翻需要ctrl+b,[ 之后再翻阅。如果不使用tmux，一个网络波动ssh就断，进程就死了。

讲一讲它的缺点：

1. 没有ctrl+F查找功能
2. 没有沙箱功能和自动审查，要把常用指令写入配置文件。
   1. 有bug，至少在我使用时，即使把.venv/bin/python写入allow，还是不停来问我要这个命令的权限
   2. 如果把python全允许了，就相当于允许了除sudo以外的全部指令
3. 多个opencode进程同时写入数据库会报错。

为了安全，按照GPT的建议，我设置了docker，每个项目可以映射到容器中，只在容器中跑。但是在实测中发现：历史对话数据丢了！！！
最后发现是多个opencode进程一起写入数据库会报错，可能我的数据就是这么丢的。这个bug有人提Issue，但是官方关闭了（吐槽一下官方）。
官方的建议是：后台启动一个opencode server，再按需启动多个客户端，但是这样又无法使用docker，无法做到每个容器一个独立环境。

这下没辙了。

最后换了codex：

1. 在Linux上启动codex server
2. 使用windows上的codex app远程连接这个server，或者在Linux机器上允许客户端
3. 这种方式可以使用codex的沙箱，基本足够安全；也可以自动审核指令，不会因为要我Allow而停下，适合长任务
4. 即使网络断连，后台server还可以继续跑
5. 多个设备数据统一：都使用linux上的数据。

当前难受但是可以忍受的点：

1. 新增项目之后，在Windows codex APP上不会自动同步数据，需要手动添加项目的路径才能看见。
2. 快捷键不好使：不能一键跳转到上一条的开头。
3. Codex接中转站，要求在配置文件中把中转站的名字改成OpenAI，否则无法使用GPT官方的搜索功能。

使用Claude Code不多，就不发表评论了。

已经有了

收录一些友情链接，比如pkxdt的网站

想要一个之前 discourse 转载链接的预览图片功能，现在的预览界面只显示平台 logo，不会显示出具体内容的封面

举例：

分享一些计算机专业的课程资料（课程作业，课程实验，部分往年题等），包括：计算机网络专题实验、编译器专题实验、嵌入式智能系统、软件定义网络、RUST语言程序设计、数据库系统、操作系统原理、软件工程、数字逻辑电路、形式语言与编译。

另有台式（

不过我一般用笔记本写码，核显本就够了，加上续航比较给力适合上课用，能免去很多逃课的麻烦

不太了解OP的专业，如果有较多的剪辑/渲染/计算/游戏需求那还是多考虑游戏本之类的

BTW thinkbook的linux支持非常完善，如果有这方面需求可以优先考虑

感觉独显还是很有必要的，即使不玩游戏，不管是专业软件的视频编解码还是可能的本地运行机器学习相关内容的需求，没有独显都会非常不舒服。
如果是AMD可以媲美4060的超强核显, 或者另有高配台式机, 当我没说。

AI 总结：2026年07月21日《投资大师》播客 摩根大通CEO戴蒙

人工智能正在经历一场前所未有的资本投入竞赛。

科技公司建设数据中心、采购芯片、训练大模型，传统企业则忙着部署内部助手、自动化系统和智能客服。市场真正关心的问题逐渐从“AI 是否重要”，转向了一个更现实的问题：

这些钱最终能赚回来吗？

摩根大通董事长兼 CEO 杰米·戴蒙的判断很明确：AI 最终会创造巨大价值，但回报出现的方式、时间和赢家，几乎肯定不会符合今天的普遍预期。

AI 会成功，但不代表每个投资者都会成功

戴蒙将当前的 AI 浪潮与互联网早期阶段进行比较。

互联网最终深刻改变了商业和社会，也创造了谷歌、Meta 等巨型公司。但在这个过程中，雅虎、网景以及大量曾被市场寄予厚望的企业，最终被淘汰或消失。

因此，“AI 将创造长期价值”和“当前所有 AI 投资都能获得合理回报”，是两个完全不同的命题。

AI 作为一种基础技术，可能在药物研发、疾病诊断、汽车安全、软件开发、客户服务和企业运营中创造巨大价值。它甚至有机会减少医疗差错、加快新药发现，并显著提高知识工作者的生产效率。

但技术价值并不会平均分配。

一些企业会找到真正有效的应用场景，一些企业会因为基础设施投入过大而承担长期折旧压力；一些模型公司会建立平台优势，另一些公司则可能因为成本过高、产品同质化或商业模式不清晰而退出市场。

换句话说，AI 大趋势可能是正确的，但参与大趋势的每家公司并不一定都是正确的投资。

企业必须从“使用 AI”转向“计算 AI 的回报”

在戴蒙看来，企业最终不会仅仅因为 AI 热门，就无限制地投入资本。

管理层迟早要回答几个传统而严肃的问题：

投入一亿美元之后，能够节省多少成本？能够增加多少收入？多久可以收回投资？项目的净现值是多少？是否存在更低成本的替代方案？

这意味着，AI 投资将逐渐从试验阶段进入财务纪律阶段。

早期，企业可能允许不同团队自由选择模型和工具。但随着使用规模扩大，这种方式会产生明显浪费。例如，一个简单的查询可能被发送给最昂贵、能力最强的模型，而实际上，一个体量更小、价格更低的模型已经足够完成任务。

未来的企业 AI 系统，很可能会自动判断任务难度，将请求分配给速度最快、成本最低且足以完成任务的模型。

真正形成竞争优势的，不一定是“使用最多 AI”的公司，而是最清楚以下三件事的公司：

第一，哪些任务值得使用 AI；第二，应该使用哪一种 AI；第三，每次调用究竟创造了多少经济价值。

AI 的就业冲击，本质上是培训体系的挑战

对于 AI 是否会造成大规模失业，戴蒙没有完全否认风险，但也反对只看到岗位消失。

技术进步通常会替代一部分工作，同时创造新的岗位。AI、网络安全、数据基础设施和软件工程等领域，仍然存在大量人才需求。

真正的问题在于，新岗位与旧岗位之间并不会自动完成匹配。

一个被自动化系统替代的后台员工，不会因为市场出现了 AI 安全岗位，就自然成为网络安全工程师。这个转变需要企业培训、职业教育、政府政策和个人学习共同完成。

因此，AI 带来的核心社会挑战，不只是“工作会不会消失”，而是：

劳动力能否在足够短的时间内，完成技能迁移。

企业不能只把 AI 当成削减员工数量的工具。如果企业只追求短期成本下降，却不投资员工再培训，最终可能同时面临组织能力下降、内部阻力上升和社会信任受损。

比 AI 泡沫更值得警惕的，是宏观环境

尽管 AI 是访谈中的重要主题，戴蒙真正反复强调的，却是全球经济中的系统性风险。

这些风险包括地缘政治冲突、能源价格波动、全球政府赤字、不断上升的债务水平，以及通胀和长期利率的不确定性。

在市场情绪乐观、资产价格上涨、企业利润表现良好时，投资者容易形成一种错觉：既然当前经济能够承受冲突、油价上涨和高利率，未来也一定可以继续承受。

但戴蒙提醒，经济危机往往不是由单一事件触发的。

债务、战争、能源、通胀和金融市场波动可能长期独立存在，直到某个时点相互叠加，越过临界点。真正的风险并不只是每一个事件发生的概率，而是多个低概率事件同时发生之后产生的连锁反应。

这也是为什么，他对长期债券和利率走势保持谨慎。

即使通胀数据暂时改善，也不能轻易假设通胀已经永久回到低位。在高赤字、高债务和复杂地缘政治环境下，长期资金成本未必会像市场期待的那样迅速下降。

对于 AI 企业而言，这一点尤其重要。

数据中心、芯片和能源基础设施都需要巨额资本。如果利率长期维持在较高水平，AI 投资项目所需要达到的回报率也会提高。很多在低利率环境下看起来合理的投资，在资本成本上升后可能不再成立。

最优秀的企业，不是预测最准确，而是活得最久

戴蒙对企业经营的核心要求并不是抓住每一次市场机会，而是确保公司能够在最坏情况下继续生存。

这也是摩根大通能够穿越金融危机、疫情和银行业动荡的重要原因。

优秀的风险管理并不是预测某一场危机何时发生，而是不断追问：

如果每个业务部门同时进入最坏状态，公司是否仍能承受？如果市场流动性消失，是否有足够资本？如果重大收购失败，是否会威胁整个组织？

在 AI 投资热潮中，这种思维同样适用。

一家企业可以错过某个模型、某项产品或某轮估值上涨，但不能因为追逐 AI 热点而损害资产负债表、现金流和核心业务。

技术浪潮中的真正赢家，往往不是投入最激进的公司，而是能够在泡沫破裂、资本收紧和技术路线变化后，依然保留继续投资能力的公司。

领导者最大的风险，是听不到坏消息

戴蒙还将企业失败归因于三个相互关联的问题：官僚主义、自满和傲慢。

公司规模扩大后，信息会逐层过滤。基层员工看到的问题，传到管理层时可能已经被美化；客户投诉会被解释为个别情况；失败项目会被包装成暂时延迟。

职位越高，领导者直接掌握的专业细节反而可能越少。

如果领导者因为不了解业务而产生不安全感，就更容易要求下属提供让自己舒服的信息，最终形成“只汇报好消息”的组织文化。

真正成熟的领导者，不需要假装自己了解所有事情。他们能够承认不知道，主动询问专业人士，并允许员工指出产品、流程和战略中的问题。

因此，领导力的关键并不是永远正确，而是建立一个能够快速发现错误、公开承认错误并及时纠正错误的系统。

AI 时代最稀缺的，仍然是人的品格

在谈到接班人和职业建议时，戴蒙并没有把技术能力放在第一位。

他更看重工作伦理、好奇心、勇气、自律、同理心、沟通能力，以及赢得他人信任的能力。

这些特质在 AI 时代反而更加重要。

技术能够提高信息处理速度，却不能自动决定企业应该追求什么；模型能够生成多个方案，却不能承担最终决策责任；算法能够优化效率，却无法替代领导者对员工、客户和社会的责任。

一个人是否愿意说出坏消息，是否能够在压力下保持诚实，是否会保护受到不公正对待的员工，是否能够在个人利益与组织利益发生冲突时作出正确选择——这些问题无法被简单编码成模型参数。

结语：AI 的回报，不会按照市场剧本出现

戴蒙对 AI 的态度既不是盲目乐观，也不是技术悲观。

他相信 AI 将成为一种改变人类生活的基础工具，并在医疗、科研、软件和企业运营中创造长期价值。但他同样认为，当前的大规模投资不会按照市场设想的路径获得回报。

部分公司会成功，部分公司会失败；部分项目会显著提升生产力，部分项目会成为昂贵的试验；真正的回报可能需要更长时间，也可能出现在今天尚未被重视的应用领域。

因此，面对 AI 浪潮，企业最需要的并不是预测哪一个模型最终胜出，而是建立三种能力：

保持资本纪律，确保每项投入能够被衡量；保持组织谦逊，让坏消息能够抵达决策层；保持资产负债表韧性，确保公司能够活到技术真正兑现价值的那一天。

AI 或许会像互联网一样改变世界。

但历史已经证明，改变世界的技术，并不会自动让所有参与者赚钱。

是发不出来吗？

@io 虽然 B 站本来就爬出来很丑，但是是不是可以实现一下链接爬虫，很多老贴子有 YouTube 链接之类的

还有 mention 🤣

分析房地产时不要只看：

• 原价；
• 建筑成本；
• 地段故事；
• 过去租金；
• 房子会不会消失。

还应重点看：

• 债务何时到期；
• 再融资利率；
• 空置率；
• 租户质量；
• 租约剩余期限；
• 利息覆盖倍数；
• 贷款是否有追索权。

从1940年代以来，世界经历了：汽车普及；航空业发展；石油与天然气革命；电视；计算机；互联网；智能手机；人工智能。

行业不断变化，但投资的底层问题没有改变：企业能赚多少钱？能赚多久？需要投入多少资本？竞争对手是否容易进入？当前价格是否合理？管理层如何配置资本？

技术会改变答案，却不会让这些问题失效。

为什么变化反而可能产生机会？

市场面对新技术时容易出现两个极端：

过度乐观，把所有相关企业价格炒得过高；
过度悲观，把受到短期冲击但仍有价值的企业抛售。

投资者的机会通常来自市场对变化的错误定价，而不是来自世界保持不变。

https://www.gurufocus.com/economic_indicators/8046/finra-investor-margin-debt-relative-to-m2

发现同时选择多张图片上传 实际上传的只有第一张图片 每次都得重新选择有点不方便🫠

原先设置了spoiler的内容在这里似乎无法点开看到具体内容？望修复🥹
updt：抱歉我误会了！这个问题不存在

但是我刚刚发现同一个帖子有多个spoiler 内容不能同时显示 点开一个其他的就会隐藏？

以及 不知道本站是否支持选中其他发言的部分内容进行引用回复的功能（）

xm懂气候 我完全是地理盲 气候盲（）
台风要来浙江了 不过我最近在辽宁旅游 希望不会导致这边下大雨（）